Computer Vision and Pattern Recognition,چشم انداز رایانه و تشخیص الگوی ,
توضیحات
Submitted 27 August, 2024; originally announced August 2024. , Comments: 12 pages, 14 figures, Accepted by 18th World Conference on Earthquake Engineering WCEE2024
توضیحات به فارسی
ارسال شده در 27 اوت 2024 ؛در ابتدا اوت 2024 اعلام شد ، نظرات: 12 صفحه ، 14 رقم ، که توسط هجدهمین کنفرانس جهانی مهندسی زلزله WCEEE2024 پذیرفته شده است
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Assessing seismic hazards and thereby designing earthquake-resilient structures or evaluating structural damage that has been incurred after an earthquake are important objectives in earthquake engineering. Both tasks require critical evaluation of strong ground motion records, and the knowledge of site conditions at the earthquake stations plays a major role in achieving the aforementioned objectives. Site conditions are generally represented by the time-averaged shear wave velocity in the upper 30 meters of the geological materials (Vs30). Several strong motion stations lack Vs30 measurements resulting in potentially inaccurate assessment of seismic hazards and evaluation of ground motion records. In this study, we present a deep learning-based approach for predicting Vs30 at strong motion station locations using three-channel earthquake records. For this purpose, Convolutional Neural Networks (CNNs) with dilated and causal convolutional layers are used to extract deep features from accelerometer records collected from over 700 stations located in Turkey. In order to overcome the limited availability of labeled data, we propose a two-phase training approach. In the first phase, a CNN is trained to estimate the epicenters, for which ground truth is available for all records. After the CNN is trained, the pre-trained encoder is fine-tuned based on the Vs30 ground truth. The performance of the proposed method is compared with machine learning models that utilize hand-crafted features. The results demonstrate that the deep convolutional encoder based Vs30 prediction model outperforms the machine learning models that rely on hand-crafted features.
چکیده به فارسی (ترجمه ماشینی)
ارزیابی خطرات لرزه ای و در نتیجه طراحی سازه های مقاوم به زلزله یا ارزیابی آسیب های ساختاری که پس از یک زلزله وارد شده است ، اهداف مهمی در مهندسی زلزله هستند.هر دو کار نیاز به ارزیابی انتقادی از سوابق حرکتی قوی زمین دارند و دانش شرایط سایت در ایستگاه های زلزله نقش مهمی در دستیابی به اهداف فوق الذکر دارد.شرایط سایت به طور کلی با سرعت متوسط موج برشی در 30 متر فوقانی مواد زمین شناسی (VS30) نشان داده می شود.چندین ایستگاه حرکتی قوی فاقد اندازه گیری VS30 است که منجر به ارزیابی بالقوه نادرست خطرات لرزه ای و ارزیابی سوابق حرکت زمین می شود.در این مطالعه ، ما یک رویکرد مبتنی بر یادگیری عمیق برای پیش بینی VS30 در مکان های ایستگاه حرکت قوی با استفاده از سوابق زلزله سه کانال ارائه می دهیم.برای این منظور ، شبکه های عصبی حلقوی (CNN) با لایه های حلقوی گشاد و علّی برای استخراج ویژگی های عمیق از سوابق شتاب سنج جمع آوری شده از بیش از 700 ایستگاه واقع در ترکیه استفاده می شوند.به منظور غلبه بر در دسترس بودن محدود داده های دارای برچسب ، ما یک روش آموزش دو فاز را پیشنهاد می کنیم.در مرحله اول ، یک CNN برای تخمین مرکز آزمایشات آموزش دیده است ، که برای آن حقیقت زمینی برای همه سوابق موجود است.پس از آموزش CNN ، رمزگذار از پیش آموزش داده شده بر اساس حقیقت زمین VS30 تنظیم می شود.عملکرد روش پیشنهادی با مدل های یادگیری ماشین که از ویژگی های دست ساز استفاده می کنند مقایسه می شود.نتایج نشان می دهد که مدل پیش بینی VS30 رمزگذار مبتنی بر رمزگذار عمیق از مدل های یادگیری ماشین که به ویژگی های دست ساز متکی هستند ، بهتر است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
